机器学习模型评估指标Python库函数推荐

在Python中，有多个库和函数可用于评估机器学习模型。以下是一些常用的库和函数：

1. scikit-learn库：这是一个非常流行的机器学习库，提供了大量的评估指标函数。例如：

   • accuracy_score：计算分类模型的准确率。
   • precision_score：计算分类模型的正例精确率。
   • recall_score：计算分类模型的正例召回率。
   • f1_score：计算分类模型的正例F1分数。
   • confusion_matrix：计算分类模型的混淆矩阵。
   • roc_auc_score：计算分类模型的ROC AUC分数。

2. sklearn.metrics模块：这个模块也提供了很多评估指标函数，与scikit-learn库类似。例如：

   • accuracy_score：同上。
   • precision_score：同上。
   • recall_score：同上。
   • f1_score：同上。
   • confusion_matrix：同上。
   • roc_auc_score：同上。

3. matplotlib库：这是一个用于绘制图形的库，常用于可视化评估结果。例如，可以使用plot_confusion_matrix函数绘制混淆矩阵。

4. seaborn库：这是一个基于matplotlib的数据可视化库，提供了更高级的绘图功能。例如，可以使用heatmap函数绘制混淆矩阵。

5. pandas库：这是一个用于数据处理和分析的库，可以将评估结果保存为CSV文件或Excel文件。

以下是一个使用scikit-learn库评估分类模型的示例代码：

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, confusion_matrix, roc_auc_score

# 加载数据集
X, y = load_data()

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 预测测试集
y_pred = model.predict(X_test)

# 计算评估指标
accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred)
recall = recall_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)
confusion = confusion_matrix(y_test, y_pred)
roc_auc = roc_auc_score(y_test, y_pred)

# 打印评估结果
print("Accuracy:", accuracy)
print("Precision:", precision)
print("Recall:", recall)
print("F1 Score:", f1)
print("Confusion Matrix:\n", confusion)
print("ROC AUC Score:", roc_auc)

请注意，以上代码中的load_data()函数需要根据实际数据集进行替换。